Analyse des données du recencement agricole

Jean-Baptiste Paroissien
17/01/2017

Objectifs

Dans ce travail, les données du recensement agricole construites avec les scripts d'intégration de FS_bdd_elab_ra.Rmd sont analysées pour porter un regard sur la distribution spatiale et l'évolution de plusieurs variables d'occupation du sol en lien avec l'activité d'élevage. Cette étude exploratoire a pour objectif d'identifier les principales tendances des changements d'occupation du sol pour faciliter l'analyse de l'évolution des teneurs en carbone organique (voir FS_traitements_bdat.Rmd et FS_traitements_bdatdiff.Rmd).

Dans un premier temps, plusieurs cartographies des variables à analyser sont réalisées. Des statistiques descriptives sont ensuite développées. Celle-ci sont portées à l'échelle de la France et sur différents niveaux géographiques (classes de type de sol, principales grandes région d'élevage).

Cartographie

Pour ce travail, les cartes ont été générées avec le paquet ggplot2 et la fonction F_carto.R.

Occupation du sol

Commenter les figures et rajouter les figures sur les variations.
Voir pour rajouter d'autres cartes...

# Paramètres ###########################
tablecarto <- "dm_vecteurs.canton" 
period <- c("1970","1979","1988","2000","2010") #Périodes de temps prise en compte
variablecarto <- c("p_prairie","p_sth","p_sfp","p_mf","p_c")#variable(s) à cartographier
#variablecarto <- "p_prairie"
l_legend <- c("Prairie/SAU (%)","STH/SAU (STH)", "SFP/SAU (%)", "MFL/SAU (%)","Céréale/SAU (%)")# Nom des labels associés aux variables à cartographier. Vecteur utilisé pour les titres des cartes

nclasse <- 5 #Nombre de classes de valeurs pour la cartographie
style_classe <- "pretty" #"pretty"#"jenks"
couleur <- "Spectral"#nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes

# Lancement
cpt <- 0
for(v in variablecarto){
  cpt <- cpt + 1
  nomfichier <- paste(v,style_classe,sep="")
  l_legendvaria <- l_legend[cpt]
  variableperiod <- paste(v,period,sep="")

  carto(dsn,tablecarto,variableperiod,nclasse,style_classe,couleur,l_legend,repsortie,nomfichier,dept=FALSE,reg=FALSE,nrowlayout=1,ncollayout=5,position="bottom",ggsaveheight=5,ggsavewidth=20)  
}

Les UGB

# Paramètres ###########################
tablecarto <- "dm_vecteurs.canton" 
period <- c("1988","2000","2010") #Périodes de temps prise en compte
variablecarto <- "ugbta" #variable(s) à cartographier
#variablecarto <- "p_prairie"
l_legend <- "Densité d'UGBTA (UGBTA/SAU)" # Nom des labels associés aux variables à cartographier. Vecteur utilisé pour les titres des cartes

nclasse <- 5 #Nombre de classes de valeurs pour la cartographie
style_classe <- "quantile" #"pretty"#"jenks"
couleur <- "Spectral"#nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes

# Lancement
cpt <- 0
for(v in variablecarto){
  cpt <- cpt + 1
  nomfichier <- paste(v,style_classe,sep="")
  l_legendvaria <- l_legend[cpt]
  variableperiod <- paste(v,period,sep="")

  carto(dsn,tablecarto,variableperiod,nclasse,style_classe,couleur,l_legend,repsortie,nomfichier,dept=FALSE,reg=FALSE,nrowlayout=1,ncollayout=3,position="bottom",ggsavewidth=18,ggsaveheight=5)  
}

Autres

# Paramètres ###########################
tablecarto <- "dm_vecteurs.canton" 

period <- c("1988","2000","2010") #Périodes de temps prise en compte
variablecarto <- c("elevage","polyelevage","grdcultures","elevagehorsol")#variable(s) à cartographier
l_legend <- c("OTEX en élevage (%)","OTEX en polyélevage (%)", "OTEX en grandes cultures (%)", "OTEX en élevage hors sol (%)")# Nom des labels associés aux variables à cartographier. Vecteur utilisé pour les titres des cartes

nclasse <- 5 #Nombre de classes de valeurs pour la cartographie
style_classe <- "pretty" #"pretty"#"jenks"
couleur <- "Spectral"#nom de la palette couleur (selon RColorBrewer)display.brewer.all() pour connaître les différentes palettes

# Lancement
cpt <- 0
for(v in variablecarto){
  cpt <- cpt + 1
  nomfichier <- paste(v,style_classe,sep="")
  l_legendvaria <- l_legend[cpt]
  variableperiod <- paste(v,period,sep="")

  carto(dsn,tablecarto,variableperiod,nclasse,style_classe,couleur,l_legendvaria,repsortie,nomfichier,dept=FALSE,reg=FALSE,nrowlayout=1,ncollayout=3,position="bottom",ggsaveheight=5,ggsavewidth=15)  
}

Statistiques descriptives

L'objectif de cett section est d'observer globalement les principales tendances dans l'évolution des changements d'occupation du sol sur les données du recencement agricole pour les périodes de 1970 à 2010.

Courbes des fréquences cumulées et boxplot

Les courbes de fréquences cumulées présentées ci-dessous mettent en exergue plusieus points :

La distribution des valeurs par années et par type d'occupation du sol présentée dans la figure ci-dessous illustre également les même tendances décrites précédemment.

Résumé des statistiques et tests

Commenter les statistiques par périodes et type d'occupation du sol

Principaux résultats du test des différences entre les années pour les principales occupations du sol :

  melted.test <- melted.ra[melted.ra$variable %in% "p_c",]
  pairwise.wilcox.test(melted.test[,"value"], melted.test[,"annees"])
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  melted.test[, "value"] and melted.test[, "annees"] 
## 
##      1970    1979    1988    2000   
## 1979 0.00726 -       -       -      
## 1988 0.01563 0.57299 -       -      
## 2000 2.8e-07 0.24409 0.08333 -      
## 2010 1.4e-15 0.00034 8.4e-06 0.01563
## 
## P value adjustment method: holm
  melted.test <- melted.ra[melted.ra$variable %in% "p_sth",]
  pairwise.wilcox.test(melted.test[,"value"], melted.test[,"annees"])
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  melted.test[, "value"] and melted.test[, "annees"] 
## 
##      1970    1979    1988    2000  
## 1979 0.0021  -       -       -     
## 1988 3.6e-13 7.9e-05 -       -     
## 2000 < 2e-16 < 2e-16 3.0e-11 -     
## 2010 < 2e-16 < 2e-16 < 2e-16 0.0308
## 
## P value adjustment method: holm
  melted.test <- melted.ra[melted.ra$variable %in% "p_prairie",]
  pairwise.wilcox.test(melted.test[,"value"], melted.test[,"annees"])
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  melted.test[, "value"] and melted.test[, "annees"] 
## 
##      1970    1979    1988  2000 
## 1979 0.903   -       -     -    
## 1988 4.0e-12 3.4e-14 -     -    
## 2000 < 2e-16 < 2e-16 0.023 -    
## 2010 < 2e-16 < 2e-16 0.005 0.903
## 
## P value adjustment method: holm
  melted.test <- melted.ra[melted.ra$variable %in% "p_sfp",]
  pairwise.wilcox.test(melted.test[,"value"], melted.test[,"annees"])
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  melted.test[, "value"] and melted.test[, "annees"] 
## 
##      1970    1979    1988    2000   
## 1979 1.00000 -       -       -      
## 1988 0.00095 0.00580 -       -      
## 2000 5.3e-14 8.0e-11 0.00245 -      
## 2010 3.9e-13 4.5e-10 0.00580 1.00000
## 
## P value adjustment method: holm
  melted.test <- melted.ra[melted.ra$variable %in% "ugbta",]
  pairwise.wilcox.test(melted.test[,"value"], melted.test[,"annees"])
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  melted.test[, "value"] and melted.test[, "annees"] 
## 
## <0 x 0 matrix>
## 
## P value adjustment method: holm

Conclusion

Globalement, les changements d'occupation du sol observées sur les cartes sont conséquentes et significatives pour une large part de périodes. Ces évolutions occasionnent :

L'évolution de ces surfaces s'est surtout faites entre les périodes 1979 et 2000. (ce serait intéressant d'avoir le pourcentage moyen de perte en tel ou tel surface. Par exemple, les surfaces en céréales ont doublé en XX tmps)

Analyse de l'évolution par stratification

L'objectif de cette section est d'identifier les principales zones touchées par les changements d'occupations du sol.

Stratification par les principales régions d'élevage

Dans la figure ci-dessous, la distribution des pourcentages d'occupation du sol par SAU est représentée par années et pour les principales régions d'élevage.
Cette figure met en évidence plusieurs points :

Les zones C, D et E présentent les contrastes les plus importants :

A la suite de ces observations, les zones B, C, D et E semblent intéressantes à étudier.

Analyse des différences d'occupation

Cette figure présente le nombre de canton impacté par des évolutions d'occupation du sol pour les différentes régions d'élevage. Ces évolutions sont classées en deux catégories selon les règles suivantes :

Cette figure est difficilement commentable...voir si c'est intéressant de la conserver.

Voici les principales observations :

Zoom sur les principales régions concernées par les évolutions

Pas besoin de la commenter. Cette figure est un simple zoom. Elle confirme les observations déjà évoquées...

Observation par régions administratives